GENERIC-FNO：首个在函数空间内完整嵌入非平衡热力学结构的神经算子
该模型通过精确满足退化条件，在任意初始化、维度与分辨率下将简并性残差控制在约10^-13，实现了能量守恒与熵产生的严格结构保证。
AI解读：GENERIC-FNO试图解决一个长期存在的矛盾：物理模拟既要高效又要守规矩。传统上，用神经网络学习偏微分方程往往不做能量守恒或熵增约束，导致长时间推演结果失真；而物理信息神经网络用惩罚项去逼近约束，只能把误差压到很小，却无法做到精确，并且需要调整权重来平衡目标。GENERIC-FNO在算子上加的是硬性结构——用对角傅里叶乘子和秩一投影直接把退化条件嵌进网络架构，绕开惩罚项和投影更新，让约束从设计上就严格成立。对使用者来说，最直接的收获是：在64到256范围的超分辨率任务中，它可以在没有见过大分辨率数据的情况下保持零样本精度；它的耗散诊断还能剥离出可逆与不可逆部分，不依赖于学习到的能量、熵函数，这在长期推演和模型可信度评估上会有价值。不过目前所有结果都来自论文自报，处于同行评审中（投TMLR），没有公开代码或第三方复现，实际训练稳定性和在大规模工业问题上的表现仍需验证。科研人员可以拆开它的损耗诊断模块单用，工程团队则需等待更多独立测试后再选型。
arXiv论文（编号2606.08343）提出GENERIC-FNO，称其为首个把完整GENERIC（度量-Poisson）非平衡热力学结构直接嵌入函数空间的神经算子。该结构要求可逆的能量守恒动力学与不可逆的熵产生动力学通过退化条件耦合。
论文由Jason Sulskis与Sathya Ravi撰写，于2026年9月2日更新至v5版本，目前正投稿TMLR（Transactions on Machine Learning Research）评审。
方法：以投影方式在架构内强制约束
论文指出，已有的保结构神经算子大多只实现单一守恒律或可逆（Hamiltonian）结构；热力学一致学习也限于有限维、图或粒子系统。GENERIC-FNO将能量与熵函数学习为神经算子，并把Poisson与摩擦算子参数化为对角傅里叶乘子，夹在秩一投影之间，以此在构造上精确满足退化条件，不使用惩罚项、更新投影或残差修正。
作者报告，退化恒等式在任何初始化、维度或分辨率下都达到机器精度，残差约10^-13；显式时间步进造成的漂移仅为O(dt^2)，每一步残差约10^-6。
实验与诊断：覆盖多种PDE并引入规范不变度量
论文引入一个规范不变的耗散诊断量，用以区分可逆与耗散动力学，且不依赖所学习的(E,S,L,M)函数，因为对给定流而言该分解并不唯一。
实验基于三种算子骨干网络（1D/2D FNO与DeepONet），在四种PDE上覆盖可逆、耗散与混合动态。结果显示，GENERIC-FNO在4倍超分辨率范围（从64到256）内零样本保持其精确结构保证，能恢复地面真值的物理耗散排序，且在多个耗散与混合问题上以相同或更少参数超越强无约束基线与带能量惩罚的基线。